论文部分内容阅读
Spark下分布式深度信念网络（Distributed Deep Belief Network,DDBN）存在数据倾斜、缺乏细粒度数据置换、无法自动缓存重用度高的数据等问题,导致了DDBN计算复杂高、运行时效性低的缺陷.为了提高DDBN的时效性,提出一种Spark下DDBN数据并行加速策略,其中包含基于标签集的范围分区（Label Set based on Range Partition,LSRP）算法和基于权重的缓存替换（Cache Replacement based on Weight,CRW）算法.